Causal inference in cumulative risk assessment: The roles of directed acyclic graphs

Abstract

Cumulative risk assessments (CRAs) address exposures to multiple chemical and nonchemical stressors and often focus on characterization of health risks in vulnerable populations. Evaluating complex exposure-response relationships in CRAs requires the use of formal and rigorous methods for causal inference. Directed acyclic graphs (DAGs) are graphical causal models used to organize and communicate knowledge about the underlying causal structure that generates observable data. Using existing graphical theories for causal inference with DAGs, risk analysts can identify confounders and effect measure modifiers to determine if the available data are both internally valid to obtain unbiased risk estimates and are generalizable to populations of interest. Conditional independencies implied by the structure of a DAG can be used to test assumptions used in a CRA against empirical data in a selected study and can contribute to the evidence evaluations related to specific causal pathways. This can facilitate quantitative use of these data, as well as help identify key research gaps, prioritize data collection activities, and evaluate risk management alternatives. DAGs also enable risk analysts to be explicit about sources of uncertainty and to determine whether a causal effect can be estimated from available data. Using a conceptual model and DAG for a hypothetical community located near a concentrated animal feeding operation (CAFO), we illustrate the advantages of using DAGs for evaluating causality in CRAs. DAGs also can be used in conjunction with weight of evidence (WOE) methodology to improve causal analysis for CRA, which could lead to more effective interventions to reduce population health risks.

Aplicación de grafos acíclicos dirigidos en la evaluación de un set mínimo de ajuste de confusores: un complemento al modelamiento estadístico en estudios epidemiológicos observacionales

“…Para su control, cuando se consideran diversas variables, se proponen métodos multivariados [8][9][10][11][12] como la regresión "paso a paso hacia atrás" o "backward selection", que aseguraría la selección de todos los confusores relevantes en la construcción del modelo 13 , restando secuencialmente variables a un modelo completo inicial en busca de uno más simple 8,[14][15][16] . Sin embargo, diversos autores proponen que este procedimiento excluiría confusores importantes o dejaría en el modelo "optimizado" variables erróneamente clasificadas como confusores, dado que la selección se realiza a través de algoritmos matemático-estadísticos basados en el valor p, donde la influencia del investigador es mínima 6,7,14,17,18 .…”

“…Estos DAGs, también conocidos como diagramas causales o grafos 20 , permiten desplegar esquemáticamente relaciones de casualidad 2,6,9,21,22,23 de una manera rigurosa y sistemática 23,24 a nivel individual o poblacional 2,6,9,12,20 , permitiendo no solo identificar posibles factores de confusión, sino que también describir el alcance de un problema de investigación o, incluso, planificar la recopilación de datos 12 .…”

“…Su estructura está conformada por el enlace de variables componentes de un modelo causal denominadas por una letra (nodo), donde la dirección causal es representada por flechas (camino) 21,23 como efecto directo de una variable sobre otra 2,6,9,12,21,22 . El hecho de que ninguna variable pueda causarse a sí misma, directa o indirectamente, es lo que indica que un DAG sea acíclico 12,25 . Un ejemplo se presenta en la Figura 1.…”

“…Un camino corresponderá a cualquier ruta que conecte la exposición (A) al evento (E), independiente de la dirección de la flecha 9,24,27 . Si partiendo de la exposición es congruente en su dirección hasta llegar al evento (A→B→E), será entendido como "camino causal dirigido" 9,12 . Si la vía incluye alguna flecha apuntando en dirección opuesta (A←C→E), corresponderá a un "camino de puerta trasera" 9 o vía no causal 12,27 .…”

“…Si partiendo de la exposición es congruente en su dirección hasta llegar al evento (A→B→E), será entendido como "camino causal dirigido" 9,12 . Si la vía incluye alguna flecha apuntando en dirección opuesta (A←C→E), corresponderá a un "camino de puerta trasera" 9 o vía no causal 12,27 . En el caso de A→B←D→E, nos encontramos frente a un "camino de choque" o colisionador donde dos puntas de flecha "chocan" o se encuentran en una variable (B) denominada "collider" 9,12,27 , indicando que no es necesario ajustar, pues la vía naturalmente está bloqueda 27 .…”